吳恩達進軍AI醫療領域：通過心電圖可判斷患者是否心律不齊

　　近來，一組由吳恩達博士帶領的斯坦福研究人員開發了一個新的機器學習模型，通過心電圖來判斷患者是否心律不齊，其效果甚至已經超過了人類專家。

　　這一可自動作出診斷的新方法對于日常醫療意義重大，它可以幫助人們對可能致死的心律不齊的癥狀做出更好的判斷，防患于未然。此外，它還能夠在醫療資源較為匱乏的地區提供良好的醫護服務。

　　看來吳恩達從百度離職以后加入Drive.ai，也對人工智能在醫療上的應用產生了興趣。

　　近年來，科學家們已經發現了通過分析醫療影像，機器學習在治療諸多疑難雜癥中所發揮的寶貴價值，如皮膚癌、眼科疾病和乳腺癌。

　　“看到人們能這么迅速地轉變觀念，接受深度學習在某些垂直醫療領域可以做出比專業醫師更為準確的診斷的事實時，我感到相當欣慰。”吳恩達在一封電子郵件中這樣說道。此外他還補充到，看到研究人員已經開始開拓醫療AI在除了以心電圖為代表的圖像數據之外新領域的應用，也十分令人激動。

　　在今年三月從百度離職后，吳恩達博士已經回到了斯坦福來繼續進行自己的學術研究。

　　斯坦福大學的研究團隊訓練了一個用來甄別心電圖數據中各式各樣不規則心跳的機器學習算法。部分心律不齊現象可以導致心臟驟停在內的諸多嚴重健康問題，但是這些信號通常難以捕捉，病人們不得不連續數周佩戴心電圖監測器以確保安全。

　　重要而坑爹的一點是，由于心律不齊自身的特性，很多時候醫術高超的醫生也很難在良性和惡性心率不穩中做出判斷。

　　與心電圖設備制造商iRhythm合作

　　研究團隊和可攜帶心電圖設備制造商iRhythm達成了合作，他們從患有各類心律不齊的病人身上收集了三萬份長達30秒的心電圖數據。

　　為了評估算法的準確性，團隊還請來了五位不同背景的心血管專家，讓他們和AI對300份未經過檢測的數據進行判斷。科學家從中抽取了三位專家的結果作為參考。

　　深度學習包含了將大量數據填充到龐大復雜的模擬神經網絡之中的過程，并不斷優化直到能準確識別有問題的心電圖信號。

　　該方法在識別復雜圖片和音頻的過程中已經發展得十分成熟，產生了表現優于人類的語音識別和圖像識別的產品。這么來看，將深度學習技術轉移到醫療圖像的識別上，顯得再自然不過了。

　　用來收集數據的便攜心電圖設備

　　身兼微軟搜索部門主管、職業醫師和機器學習專家三個身份的Eric Horvitz提到，來自MIT和密歇根大學(University of Michigan)的另外兩個團隊也在專攻利用機器學習診斷心律不齊這個難題上。